CN114119528A - 一种配电线路绝缘子的缺陷检测方法及装置 - Google Patents
一种配电线路绝缘子的缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN114119528A CN114119528A CN202111387468.7A CN202111387468A CN114119528A CN 114119528 A CN114119528 A CN 114119528A CN 202111387468 A CN202111387468 A CN 202111387468A CN 114119528 A CN114119528 A CN 114119528A
- Authority
- CN
- China
- Prior art keywords
- insulator
- yolov5
- model
- image set
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种配电线路绝缘子的缺陷检测方法及装置,其方法包括:获取第一绝缘子图像集;裁剪第一绝缘子图像集中的绝缘子区域,得到对应的裁剪图像数据;从新计算裁剪图像数据中的伞裙位置信息,得到基于裁剪图像数据及其伞裙位置信息的第二绝缘子图像集;基于第一绝缘子图像集和第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型;获取待测绝缘子本体图像,并输入目标YOLOv5模型,生成对应的绝缘子缺陷预测结果;绝缘子缺陷预测结果包括:绝缘子位置预测结果及绝缘子类别预测结果。从而提高对绝缘子的缺陷检测精度和检测效率。
Description
技术领域
本发明涉及图像识别技术技域,尤其涉及一种配电线路绝缘子的缺陷检测方法及装置。
背景技术
我国高压和超高压发电站,以及变电站都使用着大量绝缘子,绝缘子起着电气绝缘和机械支撑的作用。虽然绝缘子的安全可靠与否对电网安全、经济、稳定运行至关重要,但在长时间高负荷运行以及在自然环境暴露下,绝缘子非常容易发生故障,一旦发生故障将严重阻碍电力系统的稳定运行。虽然近年来绝缘子的抗风、防雷和绝缘能力得到一定的增强,但是10KV及以下架空线路由于绝缘子的绑扎线磨损或断裂,导致的10kV及以下架空线路事故仍频繁发生。
传统的绝缘子掉串区域的检测是由检测人员通过攀爬塔杆到电力铁塔等电力设备上,对绝缘子进行肉眼观测并记录绝缘子的具体情况,但由于我国环境情况复杂,同时输电行业的设备布局庞大且种类繁多,对于检测人员的体力是一个巨大的挑战,在人为检测工作量大且周期长的情况下,检测人员的安全无法保障。
发明内容
本发明提供了一种配电线路绝缘子的缺陷检测方法及装置,基于YOLOv5模型对配电线路绝缘子进行缺陷检测,从而提高对绝缘子的缺陷检测精度和检测效率。
第一方面,本发明提供的一种配电线路绝缘子的缺陷检测方法,包括:
获取第一绝缘子图像集;所述第一绝缘子图像集包括绝缘子本体图像及对应的缺陷标签;
裁剪所述第一绝缘子图像集中的绝缘子区域,得到对应的裁剪图像数据;
从新计算所述裁剪图像数据中的伞裙位置信息,得到基于裁剪图像数据及其伞裙位置信息的第二绝缘子图像集;
基于所述第一绝缘子图像集和所述第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型;所述到目标YOLOv5位置模型及所述目标YOLOv5缺陷模型定义为目标YOLOv5模型;
获取待测绝缘子本体图像,并输入所述目标YOLOv5模型,生成对应的绝缘子缺陷预测结果;所述绝缘子缺陷预测结果包括:绝缘子位置预测结果及绝缘子类别预测结果。
可选地,所述第一绝缘子图像集和所述第二绝缘子图像集均包括:绝缘子训练集、绝缘子测试集;基于所述第一绝缘子图像集和所述第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型,包括:
基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子训练集,分别对所构建的初始YOLOv5位置模型及初始YOLOv5缺陷模型进行迭代训练,得到训练后的YOLOv5位置模型及训练后的YOLOv5缺陷模型;
基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型。
可选地,所述第一绝缘子图像集和所述第二绝缘子图像集还包括:绝缘子训练集;基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型之后,还包括:
基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子验证集,对所述目标YOLOv5模型进行验证。
可选地,基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型,包括:
将所述第一绝缘子图像集中的绝缘子测试集输入所述训练后的YOLOv5位置模型,生成对应的位置测试结果;
根据所述第一绝缘子图像集中的绝缘子测试集对应的位置标签和所述位置测试结果,确定第一训练误差;
基于所述第一训练误差,对所述训练后的YOLOv5位置模型进行调整,以得到对应的最优网络参数,以生成所述目标YOLOv5位置模型。
可选地,基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型,包括:
将所述第二绝缘子图像集中的绝缘子测试集输入所述训练后的YOLOv5位置模型,生成对应的类型测试结果;
根据所述第二绝缘子图像集中的绝缘子测试集对应的位置标签和所述位置测试结果,确定第二训练误差;
基于所述第二训练误差,对所述训练后的YOLOv5缺陷模型进行调整,以得到对应的最优网络参数,以生成所述目标YOLOv5缺陷模型。
第二方面,本发明还提供了一种配电线路绝缘子的缺陷检测装置,包括:
获取模块,用于获取第一绝缘子图像集;所述第一绝缘子图像集包括绝缘子本体图像及对应的缺陷标签;
裁剪模块,用于裁剪所述第一绝缘子图像集中的绝缘子区域,得到对应的裁剪图像数据;
第二图集生成模块,用于从新计算所述裁剪图像数据中的伞裙位置信息,得到基于裁剪图像数据及其伞裙位置信息的第二绝缘子图像集;
目标模型生成模块,用于基于所述第一绝缘子图像集和所述第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型;所述到目标YOLOv5位置模型及所述目标YOLOv5缺陷模型定义为目标YOLOv5模型;
预测模块,用于获取待测绝缘子本体图像,并输入所述目标YOLOv5模型,生成对应的绝缘子缺陷预测结果;所述绝缘子缺陷预测结果包括:绝缘子位置预测结果及绝缘子类别预测结果。
可选地,所述第一绝缘子图像集和所述第二绝缘子图像集均包括:绝缘子训练集、绝缘子测试集;所述目标模型生成模块包括:
训练子模块,用于基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子训练集,分别对所构建的初始YOLOv5位置模型及初始YOLOv5缺陷模型进行迭代训练,得到训练后的YOLOv5位置模型及训练后的YOLOv5缺陷模型;
测试子模块,用于基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型。
可选地,所述第一绝缘子图像集和所述第二绝缘子图像集还包括:绝缘子训练集;所述目标模型生成模块还包括:
验证子模块,基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子验证集,对所述目标YOLOv5模型进行验证。
可选地,所述训练子模块包括:
第一输入单元,用于将所述第一绝缘子图像集中的绝缘子测试集输入所述训练后的YOLOv5位置模型,生成对应的位置测试结果;
第一误差确定单元,用于根据所述第一绝缘子图像集中的绝缘子测试集对应的位置标签和所述位置测试结果,确定第一训练误差;
第一目标模型生成单元,用于基于所述第一训练误差,对所述训练后的YOLOv5位置模型进行调整,以得到对应的最优网络参数,以生成所述目标YOLOv5位置模型。
可选地,所述训练子模块包括:
第二输入单元,用于将所述第二绝缘子图像集中的绝缘子测试集输入所述训练后的YOLOv5位置模型,生成对应的类型测试结果;
第二误差确定单元,用于根据所述第二绝缘子图像集中的绝缘子测试集对应的位置标签和所述位置测试结果,确定第二训练误差;
第二目标模型生成单元,用于基于所述第二训练误差,对所述训练后的YOLOv5缺陷模型进行调整,以得到对应的最优网络参数,以生成所述目标YOLOv5缺陷模型。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过获取第一绝缘子图像集;所述第一绝缘子图像集包括绝缘子本体图像及对应的缺陷标签;裁剪所述第一绝缘子图像集中的绝缘子区域,得到对应的裁剪图像数据;从新计算所述裁剪图像数据中的伞裙位置信息,得到基于裁剪图像数据及其伞裙位置信息的第二绝缘子图像集;基于所述第一绝缘子图像集和所述第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型;所述到目标YOLOv5位置模型及所述目标YOLOv5缺陷模型定义为目标YOLOv5模型;获取待测绝缘子本体图像,并输入所述目标YOLOv5模型,生成对应的绝缘子缺陷预测结果;所述绝缘子缺陷预测结果包括:绝缘子位置预测结果及绝缘子类别预测结果。基于YOLOv5模型对配电线路绝缘子绑扎线和压片处进行缺陷检测,从而提高对绝缘子的缺陷检测精度和检测效率。基于YOLOv5模型对配电线路绝缘子进行缺陷检测,从而提高对绝缘子的缺陷检测精度和检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图;
图1为本发明的一种配电线路绝缘子的缺陷检测方法实施例一的步骤流程图;
图2为本发明的一种配电线路绝缘子的缺陷检测方法实施例二的步骤流程图;
图3为本发明的一种配电线路绝缘子的缺陷检测方法示例的结构框图;
图4为本发明的一种配电线路绝缘子的缺陷检测装置实施例的结构框图。
具体实施方式
本发明实施例提供了一种配电线路绝缘子的缺陷检测方法及装置,基于YOLOv5模型对配电线路绝缘子进行缺陷检测,从而提高对绝缘子的缺陷检测精度和检测效率。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明的一种配电线路绝缘子的缺陷检测方法实施例一的步骤流程图,具体可以包括如下步骤:
步骤S101,获取第一绝缘子图像集;所述第一绝缘子图像集包括绝缘子本体图像及对应的缺陷标签;
需要说明的是,绝缘子是安装在不同电位的导体或导体与接地构件之间的能够耐受电压和机械应力作用的器件。绝缘子种类繁多,形状各异。不同类型绝缘子的结构和外形虽有较大差别,但都是由绝缘件和连接金具两大部分组成的。缺陷标签,是指预先标注的能够准确确定就绝缘子本体图像是否存在绑扎线缺陷和/或,压片缺陷的标注信息,可以包括缺陷类别及缺陷位置。
在本发明实施例中,从无人机采集的图像数据中,筛选出包含绝缘子设备的图像,剔除低分辨率、失真严重的图像。利用标注工具,对绝缘子本体,以及绝缘子上伞裙进行标注,以VOC数据格式保存成xml文件,里面包含类别信息、以及位置信息,再将VOC数据格式转换成YOLOv5数据格式,作为第一绝缘子图像集。
在具体实现中,在数据标注过程中,除了剔除不符合训练要求的目标以外,还需要对绝缘子表面容易被误判为机械损伤的情况进行分类标注。几种情况为:1、伞裙上有油漆;2、伞裙上有脏污;3、伞裙上有光照阴影。虽然这些情况不是关注的信息,但是模型训练学习过程中,可以将干扰情况进行准确判断并排出,以此来减少模型的误判率。
步骤S102,裁剪所述第一绝缘子图像集中的绝缘子区域,得到对应的裁剪图像数据;
步骤S103,从新计算所述裁剪图像数据中的伞裙位置信息,得到基于裁剪图像数据及其伞裙位置信息的第二绝缘子图像集;
在本发明实施例中,裁剪第一绝缘子图像集中绝缘子区域图像,根据新裁剪图像数据,重新计算伞裙的位置信息,以YOLOv5数据格式保存成txt文件,作为第二绝缘子图像集合。
步骤S104,基于所述第一绝缘子图像集和所述第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型;所述到目标YOLOv5位置模型及所述目标YOLOv5缺陷模型定义为目标YOLOv5模型;
需要说明的是,YOLOv5是一种基于卷积神经网络的端到端目标对象检测算法,它将目标检测问题转变为回归问题,这种方法显著提高了物体检测速度。具体来说,输入图像被划分为S×S的网格:如果物体的真实中心在其边界内,该网格负责检测对象。然后,对象由每个网格上的一个界框预测,边界框和类别概率的最终坐标通过回归算法生成。对于Anchor Boxes聚类,为了准确检测航空图像中的不同尺度绝缘体,在采集的数据集中采用了k-means聚类算法,以便提前获得更合适的锚框盒大小。
在一个可选实施例中,所述第一绝缘子图像集和所述第二绝缘子图像集均包括:绝缘子训练集、绝缘子测试集;基于所述第一绝缘子图像集和所述第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型,包括:
基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子训练集,分别对所构建的初始YOLOv5位置模型及初始YOLOv5缺陷模型进行迭代训练,得到训练后的YOLOv5位置模型及训练后的YOLOv5缺陷模型;
基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型。
步骤S105,获取待测绝缘子本体图像,并输入所述目标YOLOv5模型,生成对应的绝缘子缺陷预测结果;所述绝缘子缺陷预测结果包括:绝缘子位置预测结果及绝缘子类别预测结果。
本发明实施例通过获取第一绝缘子图像集;所述第一绝缘子图像集包括绝缘子本体图像及对应的缺陷标签;裁剪所述第一绝缘子图像集中的绝缘子区域,得到对应的裁剪图像数据;从新计算所述裁剪图像数据中的伞裙位置信息,得到基于裁剪图像数据及其伞裙位置信息的第二绝缘子图像集;基于所述第一绝缘子图像集和所述第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型;所述到目标YOLOv5位置模型及所述目标YOLOv5缺陷模型定义为目标YOLOv5模型;获取待测绝缘子本体图像,并输入所述目标YOLOv5模型,生成对应的绝缘子缺陷预测结果;所述绝缘子缺陷预测结果包括:绝缘子位置预测结果及绝缘子类别预测结果。基于YOLOv5模型对配电线路绝缘子绑扎线和压片处进行缺陷检测,从而提高对绝缘子的缺陷检测精度和检测效率。基于YOLOv5模型对配电线路绝缘子进行缺陷检测,从而提高对绝缘子的缺陷检测精度和检测效率。
请参阅图2,为本发明的一种配电线路绝缘子的缺陷检测方法实施例二的步骤流程图,具体包括:
步骤S201,获取第一绝缘子图像集;所述第一绝缘子图像集包括绝缘子本体图像及对应的缺陷标签;
步骤S202,裁剪所述第一绝缘子图像集中的绝缘子区域,得到对应的裁剪图像数据;
步骤S203,从新计算所述裁剪图像数据中的伞裙位置信息,得到基于裁剪图像数据及其伞裙位置信息的第二绝缘子图像集;
步骤S204,基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子训练集,分别对所构建的初始YOLOv5位置模型及初始YOLOv5缺陷模型进行迭代训练,得到训练后的YOLOv5位置模型及训练后的YOLOv5缺陷模型;
步骤S205,基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型;
在一个可选实施例中,所述第一绝缘子图像集和所述第二绝缘子图像集还包括:绝缘子训练集;基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型之后,还包括:
基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子验证集,对所述目标YOLOv5模型进行验证。
在一个可选实施例中,基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型,包括:
将所述第一绝缘子图像集中的绝缘子测试集输入所述训练后的YOLOv5位置模型,生成对应的位置测试结果;
根据所述第一绝缘子图像集中的绝缘子测试集对应的位置标签和所述位置测试结果,确定第一训练误差;
基于所述第一训练误差,对所述训练后的YOLOv5位置模型进行调整,以得到对应的最优网络参数,以生成所述目标YOLOv5位置模型。
在一个可选实施例中,基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型,包括:
将所述第二绝缘子图像集中的绝缘子测试集输入所述训练后的YOLOv5位置模型,生成对应的类型测试结果;
根据所述第二绝缘子图像集中的绝缘子测试集对应的位置标签和所述位置测试结果,确定第二训练误差;
基于所述第二训练误差,对所述训练后的YOLOv5缺陷模型进行调整,以得到对应的最优网络参数,以生成所述目标YOLOv5缺陷模型。
在具体实现中,在将训练数据输入神经网络之前,先打乱数据集顺序,再采用Mosaic数据增强策略,随机缩放、随机裁减、随机排布的方式进行拼接等,丰富了检测物体的背景和小目标,并且在计算Batch Normalization的时候一次会计算四张图片的数据,使得mini-batch大小不需要很大。然后对图像进行归一化处理,采用自适应图片缩放算法,将图片长边缩放到统一尺寸416像素,其中短边以相同的比例缩放,不足416的部分对64取余数,然后用0对图像短边填充余数个长度,并且同时对标签位置信息做相同的变换,再送进网络。这样训练时每个epoch接受的数据都不相同,可以增加模型的鲁棒性。
而在具体的模型训练中,首先会利用卷积神经网络对训练集进行特征提取,然后利用提取的特征图计算类别。
具体地,YOLOv5 Backbone上采用了CSPDarknet53、Mish激活函数、Dropblock等方式,它是Darknet-19和Res-net模块的组合起来的。骨干网络使用了Focus结构,比如4*4*3的图像切片后变成2*2*12的特征图。以Yolov5s的结构为例,原始608*608*3的图像输入Focus结构,采用切片操作,先变成304*304*12的特征图,再经过一次32个卷积核的卷积操作,最终变成304*304*32的特征图。归一化后的数据传入神经网络进行特征提取,获得三个不同大小的特征图(19*19,38*38,76*76),为了更好的学习到图像中的特征信息,19*19的特征图通过上采用,与38*38特征图进行融合,用相同的方法,将38*38特征图通过上采样与76*76特征图融合。通过这种方法,识别的准确率得到提升。网络中采用了PAN结构,深层的特征图携带有更强的语义特征,较弱的定位信息。而浅层的特征图携带有较强的位置信息,和较弱的语义特征。FPN就是把深层的语义特征传到浅层,从而增强多个尺度上的语义表达。而PAN则相反把浅层的定位信息传导到深层,增强多个尺度上的定位能力。
其次,YOLOv5的检测结果通过3个不同的尺度,分别来检测小、中、大目标。通过GIoU算法:先计算两个框的最小闭包区域面积,(通俗理解:同时包含了预测框和真实框的最小框的面积),再计算出IoU,再计算闭包区域中不属于两个框的区域占闭包区域的比重,最后用IoU减去这个比重得到GIoU。以及NMS算法得到最终预测框,计算损失值,每个EPOCH结束后,将验证集传入网络,验证模型的可靠性,计算损失值、准确率。
步骤S206,获取待测绝缘子本体图像,并输入所述目标YOLOv5模型,生成对应的绝缘子缺陷预测结果;所述绝缘子缺陷预测结果包括:绝缘子位置预测结果及绝缘子类别预测结果。
在本发明实施例中,使用的级联算法,即首先调用目标YOLOv5位置模型对无人机原始图像进行检测,判断图像绝缘子位置信息,将得到的类别信息以及坐标信息作为目标YOLOv5缺陷模型的输入数据,以此来检测绝缘子上伞裙损伤的类别信息和位置信息。然后逆运算计算伞裙损伤在原始图像上的位置信息。
在本发明实施例所提供的一种配电线路绝缘子的缺陷检测方法,通过获取第一绝缘子图像集;所述第一绝缘子图像集包括绝缘子本体图像及对应的缺陷标签;裁剪所述第一绝缘子图像集中的绝缘子区域,得到对应的裁剪图像数据;从新计算所述裁剪图像数据中的伞裙位置信息,得到基于裁剪图像数据及其伞裙位置信息的第二绝缘子图像集;基于所述第一绝缘子图像集和所述第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型;所述到目标YOLOv5位置模型及所述目标YOLOv5缺陷模型定义为目标YOLOv5模型;获取待测绝缘子本体图像,并输入所述目标YOLOv5模型,生成对应的绝缘子缺陷预测结果;所述绝缘子缺陷预测结果包括:绝缘子位置预测结果及绝缘子类别预测结果。基于YOLOv5模型对配电线路绝缘子绑扎线和压片处进行缺陷检测,从而提高对绝缘子的缺陷检测精度和检测效率。基于YOLOv5模型对配电线路绝缘子进行缺陷检测,从而提高对绝缘子的缺陷检测精度和检测效率。
为方便本领域技术人员对本发明的有益效果的理解,下面对本发明进行示例说明。
请查阅图3,图3为本发明的一种配电线路绝缘子的缺陷检测方法示例的检测系统结构框图,其中1为无人机系统,2为数据指挥中心,3为高性能计算中心,4为数据存储中心。
在本示例中,无人机在机巡作业人员的操控下执行机巡操作,从无人机系统1在采集了配网线路巡检图像集,在飞行结束之后机巡人员将其上传至数据指挥中心2。运维人员通过数据指挥中心2中获取无人机系统1上传的配网线路图像集,并将配网线路巡检图像集通过传输至数据指挥中心2的业务软件服务端处理,此时配网线路巡检图像可以存储至数据存储中心4,易于后续备份。
业务软件服务端接收到识别任务后,首先判断发送该任务的运维人员的用户等级,若确定运维人员换为普通用户,则确定当前任务为一般任务,可判断高性能计算中心4的任务情况,若高性能计算中心4处于闲置状态,则写入任务列表;若高性能计算中心4处于任务忙的状态,则将当前任务与任务列表中已有的任务随机排列后写入任务列表;若确定运维人员为超级用户,则确定当前任务为紧急任务,可判断高性能计算中心4的任务情况,若高性能计算中心4处于闲置状态,则写入任务列表;若高性能计算中心4处于任务忙的状态,则将当前任务提升至任务列表的顶部,等待写入任务列表。在当前识别任务写入任务列表后,将识别任务传输至高性能计算中心4中的GPU计算集群模块进行处理。
GPU计算集群模块首先激活agent读取任务列表并判断任务特性,接着对识别任务相关的绝缘子本体图像按序列批量读取,然后高性能计算中心4中的所搭载的目标YOLOv5模型进行分析,将得到的结果记录到识别任务相关的结果数据表中,随后通知server计算结束。
在GPU计算集群模块通知server计算结束后,高性能计算中心4会提示计算结束,此时数据存储中心2也能查询计算结果,并同步提示绝缘子本体图像的缺陷信息,此后,如果没有人工判读的步骤,高性能计算中心4会自动汇总生成报告,并将其提交生产指挥中心。相比于传统的检测方法,大大提高了作业的效率与安全性;与无人机影像人工判读相比,深度学习优化的目标检测技术鲁棒性更高且适用性更好。
请参阅图4,示出了一种配电线路绝缘子的缺陷检测装置实施例的结构框图,包括如下模块:
获取模块401,用于获取第一绝缘子图像集;所述第一绝缘子图像集包括绝缘子本体图像及对应的缺陷标签;
裁剪模块402,用于裁剪所述第一绝缘子图像集中的绝缘子区域,得到对应的裁剪图像数据;
第二图集生成模块403,用于从新计算所述裁剪图像数据中的伞裙位置信息,得到基于裁剪图像数据及其伞裙位置信息的第二绝缘子图像集;
目标模型生成模块404,用于基于所述第一绝缘子图像集和所述第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型;所述到目标YOLOv5位置模型及所述目标YOLOv5缺陷模型定义为目标YOLOv5模型;
预测模块405,用于获取待测绝缘子本体图像,并输入所述目标YOLOv5模型,生成对应的绝缘子缺陷预测结果;所述绝缘子缺陷预测结果包括:绝缘子位置预测结果及绝缘子类别预测结果。
在一个可选实施例中,所述第一绝缘子图像集和所述第二绝缘子图像集均包括:绝缘子训练集、绝缘子测试集;所述目标模型生成模块404包括:
训练子模块,用于基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子训练集,分别对所构建的初始YOLOv5位置模型及初始YOLOv5缺陷模型进行迭代训练,得到训练后的YOLOv5位置模型及训练后的YOLOv5缺陷模型;
测试子模块,用于基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型。
在一个可选实施例中,所述第一绝缘子图像集和所述第二绝缘子图像集还包括:绝缘子训练集;所述目标模型生成模块还包括:
验证子模块,基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子验证集,对所述目标YOLOv5模型进行验证。
在一个可选实施例中,所述训练子模块包括:
第一输入单元,用于将所述第一绝缘子图像集中的绝缘子测试集输入所述训练后的YOLOv5位置模型,生成对应的位置测试结果;
第一误差确定单元,用于根据所述第一绝缘子图像集中的绝缘子测试集对应的位置标签和所述位置测试结果,确定第一训练误差;
第一目标模型生成单元,用于基于所述第一训练误差,对所述训练后的YOLOv5位置模型进行调整,以得到对应的最优网络参数,以生成所述目标YOLOv5位置模型。
在一个可选实施例中,所述训练子模块包括:
第二输入单元,用于将所述第二绝缘子图像集中的绝缘子测试集输入所述训练后的YOLOv5位置模型,生成对应的类型测试结果;
第二误差确定单元,用于根据所述第二绝缘子图像集中的绝缘子测试集对应的位置标签和所述位置测试结果,确定第二训练误差;
第二目标模型生成单元,用于基于所述第二训练误差,对所述训练后的YOLOv5缺陷模型进行调整,以得到对应的最优网络参数,以生成所述目标YOLOv5缺陷模型。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种配电线路绝缘子的缺陷检测方法,其特征在于,包括:
获取第一绝缘子图像集;所述第一绝缘子图像集包括绝缘子本体图像及对应的缺陷标签;
裁剪所述第一绝缘子图像集中的绝缘子区域,得到对应的裁剪图像数据;
从新计算所述裁剪图像数据中的伞裙位置信息,得到基于裁剪图像数据及其伞裙位置信息的第二绝缘子图像集;
基于所述第一绝缘子图像集和所述第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型;所述到目标YOLOv5位置模型及所述目标YOLOv5缺陷模型定义为目标YOLOv5模型;
获取待测绝缘子本体图像,并输入所述目标YOLOv5模型,生成对应的绝缘子缺陷预测结果;所述绝缘子缺陷预测结果包括:绝缘子位置预测结果及绝缘子类别预测结果。
2.根据权利要求1所述的配电线路绝缘子的缺陷检测方法,其特征在于,所述第一绝缘子图像集和所述第二绝缘子图像集均包括:绝缘子训练集、绝缘子测试集;基于所述第一绝缘子图像集和所述第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型,包括:
基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子训练集,分别对所构建的初始YOLOv5位置模型及初始YOLOv5缺陷模型进行迭代训练,得到训练后的YOLOv5位置模型及训练后的YOLOv5缺陷模型;
基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型。
3.根据权利要求2所述的配电线路绝缘子的缺陷检测方法,其特征在于,所述第一绝缘子图像集和所述第二绝缘子图像集还包括:绝缘子训练集;基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型之后,还包括:
基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子验证集,对所述目标YOLOv5模型进行验证。
4.根据权利要求2所述的配电线路绝缘子的缺陷检测方法,其特征在于,基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型,包括:
将所述第一绝缘子图像集中的绝缘子测试集输入所述训练后的YOLOv5位置模型,生成对应的位置测试结果;
根据所述第一绝缘子图像集中的绝缘子测试集对应的位置标签和所述位置测试结果,确定第一训练误差;
基于所述第一训练误差,对所述训练后的YOLOv5位置模型进行调整,以得到对应的最优网络参数,以生成所述目标YOLOv5位置模型。
5.根据权利要求2所述的配电线路绝缘子的缺陷检测方法,其特征在于,基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型,包括:
将所述第二绝缘子图像集中的绝缘子测试集输入所述训练后的YOLOv5位置模型,生成对应的类型测试结果;
根据所述第二绝缘子图像集中的绝缘子测试集对应的位置标签和所述位置测试结果,确定第二训练误差;
基于所述第二训练误差,对所述训练后的YOLOv5缺陷模型进行调整,以得到对应的最优网络参数,以生成所述目标YOLOv5缺陷模型。
6.一种配电线路绝缘子的缺陷检测装置,其特征在于,包括:
获取模块,用于获取第一绝缘子图像集;所述第一绝缘子图像集包括绝缘子本体图像及对应的缺陷标签;
裁剪模块,用于裁剪所述第一绝缘子图像集中的绝缘子区域,得到对应的裁剪图像数据;
第二图集生成模块,用于从新计算所述裁剪图像数据中的伞裙位置信息,得到基于裁剪图像数据及其伞裙位置信息的第二绝缘子图像集;
目标模型生成模块,用于基于所述第一绝缘子图像集和所述第二绝缘子图像集,分别对所构建的YOLOv5模型进行迭代训练,得到目标YOLOv5位置模型及目标YOLOv5缺陷模型;所述到目标YOLOv5位置模型及所述目标YOLOv5缺陷模型定义为目标YOLOv5模型;
预测模块,用于获取待测绝缘子本体图像,并输入所述目标YOLOv5模型,生成对应的绝缘子缺陷预测结果;所述绝缘子缺陷预测结果包括:绝缘子位置预测结果及绝缘子类别预测结果。
7.根据权利要求6所述的配电线路绝缘子的缺陷检测模型,其特征在于,所述第一绝缘子图像集和所述第二绝缘子图像集均包括:绝缘子训练集、绝缘子测试集;所述目标模型生成模块包括:
训练子模块,用于基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子训练集,分别对所构建的初始YOLOv5位置模型及初始YOLOv5缺陷模型进行迭代训练,得到训练后的YOLOv5位置模型及训练后的YOLOv5缺陷模型;
测试子模块,用于基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子测试集,分别对所述训练后的YOLOv5位置模型及所述训练后的YOLOv5缺陷模型进行测试,根据测试训练误差调整相应的模型参数,得到所述目标YOLOv5模型。
8.根据权利要求7所述的配电线路绝缘子的缺陷检测装置,其特征在于,所述第一绝缘子图像集和所述第二绝缘子图像集还包括:绝缘子训练集;所述目标模型生成模块还包括:
验证子模块,基于所述第一绝缘子图像集和所述第二绝缘子图像集中的绝缘子验证集,对所述目标YOLOv5模型进行验证。
9.根据权利要求7所述的配电线路绝缘子的缺陷检测装置,其特征在于,所述训练子模块包括:
第一输入单元,用于将所述第一绝缘子图像集中的绝缘子测试集输入所述训练后的YOLOv5位置模型,生成对应的位置测试结果;
第一误差确定单元,用于根据所述第一绝缘子图像集中的绝缘子测试集对应的位置标签和所述位置测试结果,确定第一训练误差;
第一目标模型生成单元,用于基于所述第一训练误差,对所述训练后的YOLOv5位置模型进行调整,以得到对应的最优网络参数,以生成所述目标YOLOv5位置模型。
10.根据权利要求7所述的配电线路绝缘子的缺陷检测装置,其特征在于,所述训练子模块包括:
第二输入单元,用于将所述第二绝缘子图像集中的绝缘子测试集输入所述训练后的YOLOv5位置模型,生成对应的类型测试结果;
第二误差确定单元,用于根据所述第二绝缘子图像集中的绝缘子测试集对应的位置标签和所述位置测试结果,确定第二训练误差;
第二目标模型生成单元,用于基于所述第二训练误差,对所述训练后的YOLOv5缺陷模型进行调整,以得到对应的最优网络参数,以生成所述目标YOLOv5缺陷模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387468.7A CN114119528A (zh) | 2021-11-22 | 2021-11-22 | 一种配电线路绝缘子的缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387468.7A CN114119528A (zh) | 2021-11-22 | 2021-11-22 | 一种配电线路绝缘子的缺陷检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114119528A true CN114119528A (zh) | 2022-03-01 |
Family
ID=80439280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111387468.7A Pending CN114119528A (zh) | 2021-11-22 | 2021-11-22 | 一种配电线路绝缘子的缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119528A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830584A (zh) * | 2022-11-29 | 2023-03-21 | 南京云阶电力科技有限公司 | 基于深度学习的端子排文本检测方法及系统 |
CN116124903A (zh) * | 2023-04-13 | 2023-05-16 | 广东电网有限责任公司揭阳供电局 | 一种绝缘子的缺陷预警方法、装置、系统、设备及介质 |
-
2021
- 2021-11-22 CN CN202111387468.7A patent/CN114119528A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830584A (zh) * | 2022-11-29 | 2023-03-21 | 南京云阶电力科技有限公司 | 基于深度学习的端子排文本检测方法及系统 |
CN115830584B (zh) * | 2022-11-29 | 2024-05-24 | 南京云阶电力科技有限公司 | 基于深度学习的端子排文本检测方法及系统 |
CN116124903A (zh) * | 2023-04-13 | 2023-05-16 | 广东电网有限责任公司揭阳供电局 | 一种绝缘子的缺陷预警方法、装置、系统、设备及介质 |
CN116124903B (zh) * | 2023-04-13 | 2023-08-15 | 广东电网有限责任公司揭阳供电局 | 一种绝缘子的缺陷预警方法、装置、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN108872781B (zh) | 基于电力设施智能巡检的分析方法及装置 | |
CN114119528A (zh) | 一种配电线路绝缘子的缺陷检测方法及装置 | |
CN111179249A (zh) | 一种基于深度卷积神经网络的电力设备检测方法和装置 | |
CN110610483B (zh) | 裂纹图像获取、检测方法、计算机设备及可读存储介质 | |
CN113252701B (zh) | 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法 | |
CN112634254A (zh) | 绝缘子缺陷检测方法及相关装置 | |
CN112001317A (zh) | 基于语义信息的导线缺陷识别方法、系统及终端设备 | |
CN112906620A (zh) | 无人机辅助的绝缘子故障检测方法、装置和电子设备 | |
CN111738156A (zh) | 一种高压开关设备状态智能巡检管理方法及系统 | |
CN112614130A (zh) | 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法 | |
CN116309303A (zh) | 基于红外图像的电气设备缺陷检测方法、装置及相关设备 | |
CN115239646A (zh) | 输电线路的缺陷检测方法、装置、电子设备及存储介质 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN111738312B (zh) | 基于gis和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质 | |
CN113361473A (zh) | 图像处理、模型训练方法、装置、设备、存储介质及程序 | |
CN112529859A (zh) | 一种配电设备缺陷检测方法及系统 | |
CN115359505A (zh) | 一种电力图纸检测提取方法及系统 | |
CN113486873B (zh) | 一种基于大数据和人工智能的变电站设备巡检方法及系统 | |
CN115690505A (zh) | 光伏组件故障检测方法、装置、计算机设备及存储介质 | |
CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 | |
CN113506290A (zh) | 一种线路绝缘子缺陷检测方法及装置 | |
CN113762384A (zh) | 一种绝缘子图像的缺陷检测方法及装置 | |
CN109190462A (zh) | 基于倾斜摄影技术测量带电绝缘子上覆雪体积的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |